データサイエンティストとは？なり方や年収・給料まとめ

現在、企業では様々な情報のデータ化が行われています。 ・顧客情報 ・売上情報 ・製品情報 ・取引先情報 ・従業員情報 様々な情報がデータ化される一方で、 「データを活かしきれていない」 という企業が増えていると感じています。 そのため、今後はこのデータを活用するための、専門職の需要が増えることが予想されます。 今回は、そんな新しい時代の職種 「データサイエンティスト」 について見ていきましょう。

データサイエンティストとは

データサイエンティストとは データサイエンティストとは、企業における意思決定の際に「データを活用する」ために、補助的な役割をする仕事になります。 企業では、日々様々な意思決定が行われています。 新規事業の立ち上げや企画立案、撤退など。 この意思決定の際に「なんとなく」で行っている企業は少ないでしょう。 特に売上などの数字に関係する部分では、何かしらの根拠を元に意思決定をするのが通常です。 この意思決定の際に、データサイエンティストがしっかりと情報を分析することで、経営陣の意思決定にスムーズ且つ、成功率の高い判断を行えるようにするのがデータサイエンティストの役割です。

なぜデータサイエンティストが求められるのか

では、なぜデータサイエンティストが現在求められているのかについてお話しましょう。 1つ目の理由としては、「情報が溢れている」からです。 冒頭にもお話したように、様々な情報が自社内で蓄積されており、加えてビッグデータを販売する企業も増えてきました。 システムが導入されていない時代であれば、得られる情報は非常に少なかったため、経営者のいわゆる「経営の勘や経験」である程度成果を上げることが出来ていました。 しかし、様々な情報に溢れている現代では、勘に頼るのではなくデータを元に判断をする方が安定した成果を出せると考えられます。 2つ目は、「競合他社のレベルが上がっている」からです。 データの活用は、多くの企業で検討されており、競合他社がデータ活用をしている中で、自社だけがデータの活用が出来てないと、競争に負けてしまう可能性があります。 例えば、ライバル社Aが顧客データを活用して有効なWEBマーケティングを行ったとします。 すると、自社で購入する予定だったお客さんが、A社で購入する可能性が出てきます。 特に最近は、ネットで情報を見て購入する人が若い世代を中心に多くなっています。 だからこそデータの活用が欠かせない時代になっているのです。 3つ目は、「マーケティングにかけられる予算が多くない」からです。 多くの企業では、商品開発や営業には力を入れていても、マーケティングに多くの予算を割り当てている所は少ないです。 CMなどを行っている大手企業は別ですが、ほとんどの会社ではマーケティング部門の人数は数人程度ではないでしょうか。 予算をかけられないマーケティングにおいて 「精度の高い施策を打つ」 ためには、データの分析が欠かせません。 だからこそデータサイエンティストが求められているのです。

典型的な仕事内容

データサイエンティストの具体的な仕事は、多岐にわたります。 例えば、前述したようなマーケティング。 世の中の市場ニーズを捉える事や、自社の顧客情報を分析する事で、顧客のランク分けや狙うべきターゲット層を分析します。 最近では、ホームページを作っている企業も多いですから、アクセス解析などもデータサイエンティストの仕事と言えるでしょう。 クレーム情報や店舗のお客さんの動向によって、現在の見込み客の需要や興味を予測し、商品開発における提案もデータサイエンティストの仕事になります。 人事においては、その人の行動を分析し、離職する可能性の高い人を探し出して、適切な教育や指導を提案することも仕事です。 小売業であれば、店舗出店場所によるユーザーの分析や人通りの多さなどから、出店場所の提案や、顧客の目線や動線などから商品配置の提案もデータ活用で、より大きな成果を出すことが出来るでしょう。 スポーツにおいては、選手の位置情報の分析による最適なフォーメーションの提案や、最適な道具の開発にも携わることになるでしょう。 この様に、あらゆる業界でデータサイエンティストは必要とされており、また扱うデータが多量・複雑化するこれからの時代では、より多くの仕事が出てくるでしょう。

現在実際にデータサイエンティストの在籍している企業は3割程度？

一方で、現在社内にデータサイエンティストを在籍させている企業は3割程度と言われています。 大手企業でもなければ、データサイエンティストという専門職のポストを用意する事は出来ず、他の業務と兼任しなければいけない事も多いです。 これは、まだまだデータサイエンティストという職種の重要性が認知されていない事や、事例が少ないからではないかと思いますが、反対に今の間からしっかりとデータサイエンティストを育てることが出来れば、将来的にも同業他社との差別化を図ることが出来るでしょう。

データアナリストとの違い

データサイエンティストは、データアナリストとは違うのでしょうか。 業務内容としては重複する部分も多いですが、一般的にはデータアナリストがデータの収集や分析に重きを置くのに対して、データサイエンティストは、分析に加えて経営課題そのものを発見することも含まれます。 データサイエンティストは、既にシステムで情報を収集している事が前提になっている事が多く、現在の企業のDX化がどの程度進んでいるのかなどでも、直近で必要なのがデータサイエンティストなのか、それともデータアナリストなのか変わってくるでしょう。

データサイエンティストはどうやってなるの？

データサイエンティストはどうやってなるの？ では、データサイエンティストになるためにはどの様な選択肢があるのでしょうか。

大学で専攻

1つは、大学で専攻する方法です。 大学のコースは年々複雑化・多様化しており、データサイエンティストを育てるためのコースや、カリキュラムの一部にデータサイエンスを含む大学も多くあります。 こういった大学で専攻する場合は、2年から4年程度の時間を要する代わりに、専門的に日々研究を行っている大学教授の意見が聞けたり、卒業研究で実際に指導を受けながら自分なりに研究を行うことが出来ます。 また、大学によっては企業とコラボして実務に近いデータサイエンスを行えたり、インターンシップという形で実務を学ぶ機会があるというのが大きなメリットでしょう。

Pythonを含めたスクールに通う

既に社会人になっている人が大学に通い直すのは非常に困難です。 費用的にもですが、例え大学に行き直しても22歳の新卒と比較されるため、就職活動自体はかなりハードルが高いと考えられます。 そのため、仕事をしながら学べるスクールに通うのも1つの手段でしょう。 現状、データの分析やディープラーニングと呼ばれるAIなどの学習に使われるプログラミング言語としてはPythonが利用されるのが一般的です。 このPythonをスクールで学ぶことで、データサイエンティストの基礎を学ぶことが出来るでしょう。 スクールは有料のものや、無料のもの、就職までサポートしてくれるものなどもありますので、自分にあったスクールを選ぶのが良いでしょう。

資格の取得

データサイエンティストとして働く上で、前述したようにまだまだ3割程度の企業しかデータサイエンティストを雇っていない事を考えると、実績を作ること自体が難しいと考えられます。 また、データサイエンティストを雇えるだけの業績や、人数がいる大きい会社の可能性が高いことも考えると、実績がない状態での転職は難しいと考えられます。 そのため、資格を取ってアピールするというのも一つの手段でしょう。 データサイエンティストに関係してくる資格としては、 ・基本情報技術者試験 ・データスペシャリスト試験 ・OSS-DB技術者認定試験 ・統計検定 ・G検定／E資格 ・Python 3 エンジニア認定基礎試験 などが挙げられます。 基本情報技術者試験は、基本的なIT技術についての試験になりますが、それだけでは中々転職には使えないでしょう。 データベースに関する知識や統計学に関する知識も重要視されますので、出来るだけ多くの試験に挑戦する必要があるでしょう。

コンサルティング会社から転身

データサイエンティストにおいて最も重要なのは 「経営課題を解決する」 ということです。 例えデータの分析が出来たとしても、経営課題を解決することや、課題そのものを見つけ出すためには、単にシステムの知識だけではなく「経営」や「ビジネス」について深い知見を持つ必要があります。 システムについてばかり勉強するあまり、 「問題があれば回答を作れる」 という状況になっても、そもそも仕事中に上司から課題を出される事は稀です。 そういった意味では、様々なビジネスを見ることが出来、経営課題の解決提案が出来るコンサルタントという仕事は、データサイエンティストになるための近道である可能性があります。 もちろん、コンサルタントとして優秀なだけでもいけませんので、システムや統計学の勉強は必要ですが、転職の際の1つの武器になるのは間違いないでしょう。

統計学などの学問から

統計学を学ぶことで、データの分析においてより深い考察ができる可能性があります。 システムを作れることと、統計学を用いて分析を行える事は、別のためデータサイエンティストとなる上で、学問からスタートするのも良いでしょう。 ただし、統計学自体を学ぶ場が、大学などの学校にはあるかもしれませんが、プログラミングと違って仕事をしながらスクールで学ぶことも難しいですし、就職の際に実績を提示するのも難しいです。 また、プログラミングの場合には、データサイエンティストとして就職できなくても、様々な業界への転職も可能ですが、統計学での転職はプログラミングに比べればかなり難しいと考えられます。

データサイエンティストの平均年収

さて、データサイエンティストになるには様々な方法がありましたが、年収はどのくらいになるのでしょうか。 データサイエンティストの平均的な年収は、600万円前後と言われています。 日本の平均年収が400万円台ということを考えれば、かなりの高収入と言えるのではないでしょうか。 その理由は、日本でデータサイエンスが出来る人材が少ない事や、専門的な知識やスキルが必要とされる点が大きいでしょう。 また、前述したようにある程度の規模の会社でしか現状データサイエンティストを募集していないため、大手企業の割合が多いからこそ平均年収が高くなっている可能性もあります。 海外の企業の場合には、年収1000万円を超える様なケースも多く、きちんと実績を出すことが出来れば、フリーランスとしてのキャリアアップも見込めるでしょう。 今はまだ日本では、DX化を進めていると言っても、紙媒体の書類が多かったり、様々なフォーマットのエクセルが使用されている事を考えれば、数年後にデータサイエンティストの需要が一気に増える可能性もあるのではないかと考えています。

データサイエンティストになるにはプログラミングが必須？

データサイエンティストになるにはプログラミングが必須？ さて、前項でも少しお話してきましたが、データサイエンティストにおいてプログラミングは必須なのでしょうか。 個人的な意見にはなりますが、データサイエンティストにおいてプログラミングは必須だと考えています。 特に機械学習を行うためにPythonを利用する可能性は高く、プログラミングが出来るか否かで年収も大きく変わってくるのではないでしょうか。 もちろん、現状ではプログラミングそのものよりも経営センス的な部分を評価される場合も多いかもしれませんが、例えば今後フリーランスとしてデータサイエンティストを行うにあたり、 「そもそもデータを分析できる土台のない会社」 も、見込み客となる可能性があります。 そういった場合に、自分でプログラミングも行うことが出来れば、極端な話 「お金を持っている中小企業で、IT人材のいない会社」 もターゲットとなってきます。 特に日本の企業の多くが中小企業ですので、将来的な事を考えてもデータサイエンティストをやる上でプログラミングは必須と言えるでしょう。

データサイエンスはシステム化から！AMELAでシステム開発を

データサイエンスはシステム化から！AMELAでシステム開発を データサイエンスを始めとして、DX化は現在非常に注目されています。 現状が非常にアナログな業務方法になっていたとしても、RPAの導入で一気に業務効率を上げた会社もありますし、手書き業務がOCRで一気にデータ化出来た例もあります。 新しい技術の登場によって、今までは 「IT化なんてうちには関係ない」 と考えていた企業も、驚くほどのスピードでシステム化出来た例は多いです。 そのため、現在の状況に関わらず 「こんな事が出来れば良いのに」 という相談をして欲しいと思っています。 AMELAは、ITコンサルティングを行っている関係もあり、会社において最も重要な課題を明確にすることや、それをシステムでどう補っていくのかといった点を見つけ出すことや、それを実際にシステムとして開発することなどを得意としています。 また、様々な業界での実績もあるため、 「ウチの業界は特殊だから」 という内容でも、しっかりとシステムに置き換えることが出来ます。 新しい市場の開拓や新規顧客を獲得するための「攻めのDX」から、現在の業務効率化やミスの防止などの「守りのDX」まで、幅広いご相談を頂ければと考えています。